L’utilisation croissante d’environnements informatiques pour l’apprentissage humain génère d’importantes traces d’activité, ouvrant ainsi de nouvelles perspectives pour analyser ces données et mieux accompagner les apprenants. Le suivi des connaissances (Knowledge Tracing) permet de modéliser la manière dont les apprenants acquièrent et conservent leurs connaissances au fil du temps. Cette modélisation est utile pour la personnalisation, les recommandations, le feedback et le diagnostic de l’état des connaissances. Les méthodes profondes de suivi des connaissances (Deep Knowledge Tracing, DKT), fondées sur des architectures neuronales, ont connu une croissance rapide ces dernières années. Cependant, malgré cette diversité, les comparaisons empiriques restent limitées : seuls quelques jeux de données sont utilisés de manière systématique dans les études, et la reproduction des résultats publiés est souvent difficile en raison du manque de détails d’implémentation et de l’absence de protocoles d’évaluation standardisés. Dans ce travail, nous présentons une revue de la littérature sur les modèles DKT existants ainsi que sur les bases de données éducatives ouvertes. Nous proposons également un protocole unifié et reproductible pour la comparaison des modèles DKT identifiés. Notre recherche vise à améliorer la reproductibilité, encourager la rigueur méthodologique et fournir une base solide pour les travaux futurs sur la modélisation des apprenants et l’exploration de données éducatives.